Using neural networks for non-invasive determination of glycated hemoglobin levels, illustrated by the application of an innovative portable glucometer in clinical practice

Cover Page

Cite item

Full Text

Abstract

BACKGROUND: In the last decade, there has been a significant increase in interest in non-invasive monitoring of blood glucose levels [1]. This is driven by the desire to reduce patient discomfort, as well as the risk of infections associated with traditional invasive methods [2]. Raman spectroscopy, considered as a promising approach for non-invasive measurements [3], combined with machine learning, has the potential to lead to more accurate and faster diagnostic methods for conditions related to glucose imbalances [4].

AIMS: Development and validation of a new portable glucometer based on Raman spectroscopy using machine learning methods for non-invasive determination of glycated hemoglobin (HbA1c) levels.

MATERIALS AND METHODS: The study was conducted on a sample of 100 volunteers of different age groups and genders, with varying health statuses, including individuals with type 1 and type 2 diabetes and those without diabetes. To collect data, we used a portable device developed by us, based on the registration of Raman spectra with laser excitation at 638 nm. The data were analyzed using Support Vector Machine neural networks.

RESULTS: After processing the spectroscopic measurements using Support Vector Machine, the system showed sensitivity (95,7%) and specificity (84,2%) in determining HbA1c levels comparable to traditional methods such as high-performance liquid chromatography. It was found that the algorithm is sufficiently adaptive and can be used across a wide range of skin types, regardless of the age and gender of the participants. The results suggest the possibility of using the developed device in clinical practice.

CONCLUSION: The developed portable glucometer based on Raman spectroscopy combined with machine learning algorithms could be a promising step towards non-invasive and continuous monitoring of glycemic levels in patients with diabetes.

About the authors

Ekaterina E. Poliker

The First Sechenov Moscow State Medical University

Author for correspondence.
Email: katepoliker@gmail.com
ORCID iD: 0000-0002-9610-4511
SPIN-code: 3735-2532
Russian Federation, Moscow

Konstantin A. Koshechkin

The First Sechenov Moscow State Medical University

Email: koshechkin_k_a@staff.sechenov.ru
Russian Federation, Moscow

Alexander M. Timokhin

The First Sechenov Moscow State Medical University

Email: data.sup@ya.ru
Russian Federation, Moscow

Ekaterina V. Klyukina

The First Sechenov Moscow State Medical University

Email: katerina-klyukina@mail.ru
Russian Federation, Moscow

Ekaterina D. Belyakova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: belyakova_e_d@student.sechenov.ru
Russian Federation, Moscow

Artem M. Brovko

Moscow Institute of Physics and Technology

Email: ambrovko@mail.ru
Russian Federation, Moscow

Alina S. Lalayan

Lomonosov Moscow State University

Email: hemotech.ai@mail.ru
Russian Federation, Moscow

Alexandra S. Ermolaeva

The First Sechenov Moscow State Medical University

Email: a.s.arkhipova@inbox.ru
Russian Federation, Moscow

References

  1. Demircioglu N, Erdogan I, Ersoy YE, Abbasoglu AA. Raman spectroscopy for the non-invasive detection of glycated haemoglobin: A systematic review. Advances in Clinical Chemistry. 2019;88:71–90.
  2. Chen L, Wang J, Yan X, Chen H, Ni X. Non-invasive measurement of hemoglobin A1c using Raman spectroscopy. Analytical Methods. 2019;11(37):4743–4750.
  3. Ibtehaz N, Chowdhury MEH, Khandakar A, et al. RamanNet: a generalized neural network architecture for Raman spectrum analysis. Neural Comput & Applic. 2023;35:18719–18735. doi: 10.1007/s00521-023-08700-z
  4. Yin C, Wang X, Xu H, et al. Raman spectroscopy-based noninvasive glycated hemoglobin detection in blood samples: A machine learning approach. Analytical Chemistry. 2021;93(7):3273–3279.
  5. González-Viveros N, Castro-Ramos J, Gómez-Gil P, Cerecedo-Núñez HH. Characterization of glycated hemoglobin based on Raman spectroscopy and artificial neural networks. Spectrochim Acta A Mol Biomol Spectrosc. 2021;247:119077. doi: 10.1016/j.saa.2020.119077
  6. Trenerry MI, et al. Validation of high-performance liquid chromatography assays for determination of glycated hemoglobin in diabetic studies. Clinica Chimica Acta. 1996;246(1-2):91–102.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».